CN110619606A - 全景图像的确定方法、装置、计算机设备和存储介质 - Google Patents
全景图像的确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110619606A CN110619606A CN201910887066.XA CN201910887066A CN110619606A CN 110619606 A CN110619606 A CN 110619606A CN 201910887066 A CN201910887066 A CN 201910887066A CN 110619606 A CN110619606 A CN 110619606A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- image set
- object images
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 29
- 238000013519 translation Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种全景图像的确定方法、装置、计算机设备和存储介质。所述方法包括:获取目标物体的第一图像集;对所述第一图像集中的物体图像进行筛选处理,得到第二图像集;对所述第二图像集中的物体图像进行去抖动处理,得到目标图像集。本发明实施例对场地要求较低,不仅方便操作,而且可以提高效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种全景图像的确定方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展,人们常常从互联网中获取信息。例如,用户想要买一辆车,则会查看车辆的相关信息,比如,车辆配置、车辆外观、车辆价格等等。由于用户想要查看车辆外观,因此需要采集车辆外观的全景图像。
相关技术中,采集车辆外观的全景图像通常都是将车辆放置到转盘,在转盘带动车辆旋转时,通过专业相机定点拍摄多张不同角度的多张图片;然后,多张图片轮询播放就得到了车辆的全景展示效果。
但是,这种方案对场地要求较高,不方便操作,效率也比较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够不受场地限制的全景图像的确定方法、装置、计算机设备和存储介质。
第一方面,本发明实施例提供了一种全景图像的确定方法,该方法包括:
获取目标物体的第一图像集;
对第一图像集中的物体图像进行筛选处理,得到第二图像集;
对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在其中一个实施例中,上述对第二图像集中的物体图像进行去抖动处理,得到目标图像集,包括:
确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息;
根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在其中一个实施例中,上述确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息,包括:
采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中的位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度;
对各初始信息进行平滑处理,得到多个目标信息。
在其中一个实施例中,上述采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中的位置变化,得到多个初始信息,包括:
分别获取第二图像集中各帧物体图像的特征点;
根据每相邻两帧物体图像中对应特征点的位置坐标,得到多个初始信息。
在其中一个实施例中,上述根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集,包括:
根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;其中,变换处理包括平移处理、旋转处理中的至少一种。
在其中一个实施例中,在上述根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集之后,还包括:
对目标图像集中的物体图像进行裁剪;
将目标图像集中图像面积小于预设面积的物体图像删除。
在其中一个实施例中,上述对第一图像集中的物体图像进行筛选处理,得到第二图像集,包括:
将第一图像集中的物体图像加入到预先建立的异步处理队列中;
采用异步处理队列去除重复的物体图像;以及
采用异步处理队列去除模糊的物体图像,得到第二图像集。
在其中一个实施例中,上述获取目标物体的第一图像集,包括:
在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像;
对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。
在其中一个实施例中,该方法还包括:
从目标图像集中按照等差顺序选取出预设数量的物体图像;
将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位。
在其中一个实施例中,该方法还包括:
将目标图像集输入到图形变换模型中,得到目标全景图像。
在其中一个实施例中,上述将目标图像集输入到图形变换模型中,得到目标全景图像,包括:
显示目标图像集中的一帧物体图像;
获取位置调整指令;
采用图形变换模型根据位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
第二方面,本发明实施例提供了一种全景图像的确定装置,该装置包括:
第一图像集获取模块,用于获取目标物体的第一图像集;
筛选模块,用于对第一图像集中的物体图像进行筛选处理,得到第二图像集;
去抖动模块,用于对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在其中一个实施例中,上述去抖动模块包括:
目标信息获得子模块,用于确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息;
去抖动子模块,用于根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在其中一个实施例中,上述目标信息获得子模块,具体用于采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中的位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度;对各初始信息进行平滑处理,得到多个目标信息。
在其中一个实施例中,上述目标信息获得子模块,具体用于分别获取第二图像集中各帧物体图像的特征点;根据每相邻两帧物体图像中对应特征点的位置坐标,得到多个初始信息。
在其中一个实施例中,上述去抖动子模块,具体用于根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;其中,变换处理包括平移处理、旋转处理中的至少一种。
在其中一个实施例中,该装置还包括:
裁剪模块,用于对目标图像集中的物体图像进行裁剪;
删除模块,用于将目标图像集中图像面积小于预设面积的物体图像删除。
在其中一个实施例中,上述筛选模块,具体用于将第一图像集中的物体图像加入到预先建立的异步处理队列中;采用异步处理队列去除重复的物体图像;以及采用异步处理队列去除模糊的物体图像,得到第二图像集。
在其中一个实施例中,上述第一图像集获取模块,具体用于在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像;对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。
在其中一个实施例中,该装置还包括:
物体图像选取模块,用于从目标图像集中按照等差顺序选取出预设数量的物体图像;
上传模块,用于将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位。
在其中一个实施例中,该装置还包括:
目标全景图像获得模块,用于将目标图像集输入到图形变换模型中,得到目标全景图像。
在其中一个实施例中,上述目标全景图像获得模块,具体用于显示目标图像集中的一帧物体图像;获取位置调整指令;采用图形变换模型根据位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现如上述方法中的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法中的步骤。
上述全景图像的确定方法、装置、计算机设备和存储介质,获取目标物体的第一图像集;对第一图像集中的物体图像进行筛选处理,得到第二图像集;对第二图像集中的物体图像进行去抖动处理,得到目标图像集。通过本发明实施例,可以使用图像采集设备在简陋的场景中拍摄车辆,然后对拍摄到的车辆的物体图像进行处理,从而得到效果较好的车辆外观全景图像。本发明实施例对场地要求较低,不仅方便操作,而且可以提高效率。
附图说明
图1为一个实施例中全景图像的确定方法的应用环境图;
图2为一个实施例中全景图像的确定方法的流程示意图;
图3为一个实施例中确定目标物体在第二图像集中物体图像上位置变化的目标信息步骤的流程示意图;
图4为另一个实施例中全景图像的确定方法的流程示意图;
图5为一个实施例中获取目标物体的第一图像集步骤的流程示意图;
图6为一个实施例中全景图像的确定装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的全景图像的确定方法,可以应用于如图1所示的应用环境中。其中,该应用环境包括图像采集设备101和目标物体102。其中,图像采集设备101可以但不限于是智能手机、平板电脑和便携式可穿戴设备。目标物体102可以是车辆,或者其它物体,本发明实施例对此不作详细限定,可以根据实际情况进行设置。
在一个实施例中,如图2所示,提供了一种全景图像的确定方法,以该方法应用于图1中的图像采集设备为例进行说明,包括以下步骤:
步骤201,获取目标物体的第一图像集。
本实施例中,图像采集设备环绕目标物体一周,并对目标物体进行图像采集操作。例如,用户手持智能手机环绕车辆一周,在环绕的过程中,智能手机对车辆进行拍照。
图像采集设备进行图像采集操作的过程中,采集到多帧物体图像,将多帧物体图像按照采集时间排列,组成第一图像集。本发明实施例对物体图像的数量不作详细限定,可以根据图像采集设备的实际情况进行设置。
步骤202,对第一图像集中的物体图像进行筛选处理,得到第二图像集。
本实施例中,在图像采集操作后,对采集到的多帧物体图像进行筛选处理,将重复的、模糊的物体图像删除,然后将剩余的物体图像保存在指定地址中,形成第二图像集。将筛选后的物体图像保存在指定地址时,可以按照采集时间命名,本发明实施例对此不作详细限定,可以根据实际情况进行设置。
在实际操作中,筛选处理过程可以包括:将第一图像集中的物体图像加入到预先建立的异步处理队列中;采用异步处理队列去除重复的物体图像;以及采用异步处理队列去除模糊的物体图像,得到第二图像集。其中,异步处理队列可以对多帧物体图像进行异步处理,从而提高处理效率。
采用异步处理队列去除重复的物体图像可以包括:对一秒中的物体图像与前一秒中的物体图像进行相似度计算;若相似度小于预设相似度,则删除这一秒中的全部物体图像。例如,每秒中均包括6帧物体图像,预设相似度为0.95;对一秒中的第一帧物体图像与前一秒中的第一帧物体图像进行SSIM(structual similarity,结构相似性)计算,得到相似度为0.9,小于预设相似度,则确定这一秒为重复的物体图像,将这一秒中的6帧物体图像全部删除。
采用异步处理队列去除模糊的物体图像可以包括:将物体图像转换为二值图像;对二值图像中的一个颜色通道进行卷积计算并输出方差;若方差小于预设方差,则确定该物体图像为模糊图像,删除该物体图像。例如,预设方差为100,将物体图像转换为黑白图像,对黑白图像中的白色通道用3x3的核进行卷积并输出方差,方差为80小于预设方差,则确定该外观图片为模糊图像,将该物体图像删除。
步骤203,对所述第二图像集中的物体图像进行去抖动处理,得到目标图像集。
本实施例中,在得到第二图像集之后,对第二图像集中的物体图像进行去抖动处理。具体地可以包括如下步骤:
步骤2031,确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息。
具体地,在图像采集设备环绕目标物体的过程中,图像采集设备可能存在上下浮动、抖动等情况,因此,在多帧物体图像中目标物体可能不在同一个位置。为了更好地展示目标物体,需要确定目标物体在各帧物体图像上的位置变化,从而根据位置变化调整目标物体的位置。
在实际操作中,确定目标物体的位置变化可以包括:比较相邻两帧物体图像中目标物体的位置,根据目标物体的位置变化确定目标信息,即目标信息表征目标物体在不同物体图像上的位置变化情况。例如,第二帧物体图像与第一帧物体图像相比,车辆下移了50个像素,则目标信息为下移50个像素;或者,第三帧物体图像与第二帧物体图像相比,车辆右移的30个像素,则目标信息为右移30个像素。本发明实施例对目标信息不作详细限定,可以根据实际情况进行设置。
步骤2032,根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
本实施例中,在确定目标信息之后,根据目标信息对第二图像集中的物体图像进行去抖动处理,即调整目标物体的位置,使目标物***于同一水平线上。例如,第二帧物体图像与第一帧物体图像相比,目标信息为下移50个像素,则根据目标信息将第二帧物体图像上移50个像素;或者,第三帧物体图像与第二帧物体图像相比,目标信息为右移30个像素,则将第三帧物体图像左移30个像素。
上述全景图像的确定方法中,获取目标物体的第一图像集;对第一图像集中的物体图像进行筛选处理,得到第二图像集;对第二图像集中的物体图像进行去抖动处理,得到目标图像集。通过本发明实施例,可以使用图像采集设备在简陋的场景中拍摄车辆,然后对拍摄到的车辆的物体图像进行处理,从而得到效果较好的车辆全景图像。本发明实施例对场地要求较低,不仅方便操作,而且可以提高效率。
在另一个实施例中,如图3所示,本实施例涉及的是确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息的一种可选的过程。在上述图2所示实施例的基础上,上述步骤2031具体可以包括以下步骤:
步骤301,采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度。
本实施例中,在确定目标信息的过程中,可以采用特征点跟踪的方式,先确定目标物体在多帧物体图像中位置变化的初始信息,即确定目标物体在多帧物体图像中的平移距离和旋转角度。
特征点跟踪方式具体可以包括:分别获取第二图像集中各帧物体图像的特征点;根据每相邻两帧物体图像中对应特征点的位置坐标,得到多个初始信息。其中,特征点可以是一帧物体图像中的一个特征像素,该特征像素的像素值与相邻像素的像素值均不相同。例如,第一帧物体图像中位置坐标为(3,4)的像素为特征点,第二帧物体图像中位置坐标为(10,12)的像素为特征点。
可以理解地,一帧物体图像中,可以存在多个特征点。在获取到各帧物体图像的特征点之后,可以采用光流算法跟踪特征点。例如,采用光流算法跟踪特征点a1,特征点a1在第一帧物体图像中的位置坐标为(3,4),在第二帧物体图像中的位置坐标为(10,12)。如果一个特征点在下一帧物体图像中被遮挡,则该特征点为检测失败的特征点。例如,采用光流算法跟踪特征点b1,特征点b1在第一物体图像中的位置坐标为(57,64),在第二帧物体图像中被遮挡,则特征点b1为检测失败的特征点,因此在计算初始信息时舍弃该特征点。其中,光流(Optical flow or optic flow)是关于视域中的物体运动检测中的概念,用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。
在确定各帧物体图像中检测成功的特征点之后,根据每相邻两帧物体图像中对应特征点的位置坐标,确定初始信息。例如,第一帧物体图像与第二帧物体图像中对应的特征点为a1,且特征点a1在第一帧物体图像中的位置坐标为(3,4),在第二帧物体图像中的位置坐标为(10,12),则确定一个初始信息为横坐标平移距离为m=7,纵坐标的平移距离为n=8,旋转角度为α=0。又如,第三帧物体图像与第四帧物体图像中对应的特征点为c1,且特征点c1在第三帧物体图像中的位置坐标为(125,134),在第四帧物体图像中的位置坐标为(130,143),则确定另一个初始信息为横坐标的平移距离为m=5,纵坐标的平移距离为n=9,旋转角度为α=0。以此类推,可以确定多个初始信息。
步骤302,对各初始信息进行平滑处理,得到目标信息。
本实施例中,在得到多个初始信息后,将各初始信息与相邻的初始信息进行平滑处理,将得到的平滑值作为该初始信息对应的目标信息。具体地,将一个初始信息中的平移距离与相邻初始信息中的平移距离进行平均计算,得到目标信息中的平移距离;将该初始信息中的旋转角度与相邻初始信息中的旋转角度进行平均计算,得到目标信息中的旋转角度。
例如,初始信息为(m1,n1,α1),对应的目标信息为(m1’,n1’,α1’)其中,采用平均滤波器(Moving Average Filter)计算,m1’=(m1+m2+m3)/3,n1’=(n1+n2+n3)/3,α1’=(α1+α2+α3)/3。或者,初始信息为(m10,n10,α10),对应的目标信息为(m10’,n10’,α10’),其中,采用平均滤波器(Moving Average Filter)计算,m10’=(m10+m11+m12+m13)/4,n10’=(n10+n11+n12+n13)/4,α10’=(α10+α11+α12+α13)/4。以此类推,计算出各初始信息对应的目标信息。本发明实施例对滤波宽度,即相邻初始信息的数量不作详细限定,可以根据实际情况进行设置。可以理解地,滤波宽度越大,目标信息越平滑。
上述确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息的步骤中,采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度,对各初始信息进行平滑处理,得到目标信息。通过本发明实施例,根据特征点跟踪方式可以有效地确定目标物体的位置变化,对目标信息进行平滑处理,可以避免后续对物体图像的处理幅度过大,导致显示效果不佳的问题。
在另一个实施例中,本实施例涉及的是根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集的一种可选的过程。在上述图2所示实施例的基础上,上述步骤2032具体可以包括:根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;其中,变换处理包括平移处理、旋转处理中的至少一种。
本实施例中,在得到目标信息后,根据目标信息对第二图像集中的物体图像进行平移处理,旋转处理等变换,调整目标物体在物体图像中的位置。例如,目标信息(m1’,n1’,α1’)为(6,7,0),则将物体图像向横坐标的正方向平移6个像素,向纵坐标的正方向平移7个像素,不进行旋转;目标信息(m2’,n2’,α2’)为(-1,-3,5°),则将物体图像向横坐标的负方向平移1个像素,向纵坐标的负方向平移3个像素,顺时针旋转5°。以此类推,对待处理图像集中的物体图像进行变换处理后,得到目标图像集。
在对物体图像变换处理时,还可以选取出基准帧物体图像,在根据每相邻两帧物体图像确定目标信息后,进一步根据基准帧物体图像调整目标信息,再根据调整后的目标信息对除基准帧物体图像之外的物体图像,以基准帧物体图像为参照进行平移处理、旋转处理。其中,基准帧物体图像可以是第一帧物体图像,也可以是根据预设规则选取出的物体图像。本发明实施例对此不作详细限定,可以根据实际情况进行设置。
在根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集之后,还可以包括如下步骤,见图4:
步骤204,对目标图像集中的物体图像进行裁剪。
本实施例中,由于对物体图像进行了平移或者旋转,物体图像已经不是标准形式,因此为了展示效果更好,需要对目标图像集中的物体图像进行裁剪。具体地,可以采用最大内矩形裁剪方式:首先扫描物体图像的四个角,然后根据四个角的位置坐标计算出最小的裁剪值,左上角和左下角确定左边的裁剪,左上角和右上角确定上边的裁剪,右上角和右下角确定右边的裁剪,左下角和右下角确定下边的裁剪。
步骤205,将目标图像集中图像面积小于预设面积的物体图像删除。
本实施例中,在对物体图像进行裁剪后,物体图像的图像面积会变小。为了保证展示效果,可以将图像面积小于预设面积的物体图像删除。例如,将图像面积小于原图像面积70%的物体图像删除。本发明实施例对预设面积不作详细限定,可以根据实际情况进行设置。
上述根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集的步骤中,根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;然后对目标图像集中的物体图像进行裁剪;再将目标图像集中图像面积小于预设面积的物体图像删除。通过本发明实施例,可以将目标物体在物体图像中的位置调整在同一水平线上,并保证物体图像的图像质量,从而实现较好地展示效果。
在另一个实施例中,如图4所示,本实施例涉及的是全景图像的确定方法的一种可选的过程。在上述图2所示实施例的基础上,在上述步骤203之后,还可以包括:
步骤206,从目标图像集中按照等差顺序选取出预设数量的物体图像;将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位。
本实施例中,在需要服务器对目标物体的具体部位进行识别时,可以从目标图像集中按照等差顺序选取出预设数量的物体图像。例如,按照每隔5帧选取1帧的顺序选取出60-80帧物体图像。选出物体图像后,可以将物体图像打包上传至服务器。服务器在接收到物体图像后,通过深度学习框架TensorFlow对上传的物体图像中部分图像进行打码,以及对目标物体的具体部位进行识别并分类。例如,服务器对物体图像中的人脸、车牌等进行打码,然后识别出车灯、车把手、后视镜等具体部位。其中,TensorFlow是一个基于数据流编程(dataflow programming)的符号数学***,被广泛应用于各类机器学习(machinelearning)算法的编程实现。
在服务器识别出目标物体的具体部位后并分类后,图像采集设备从服务器下载识别结果。在展示目标物体时,如果用户需要展示具体部位,则可以根据识别结果进行展示。
步骤207,将目标图像集输入图形变换模型中,得到目标全景图像。
本实施例中,预先设置图形变换模型,该图形变换模型可以根据目标图像集中的每一帧物体图像作为纹理绘制到界面上进行显示,由于目标图像集中有多帧物体图像,因此可以得到目标全景图像。例如,得到车辆的全景图像。
可选地,显示目标图像集中的一帧物体图像;获取位置调整指令;采用图形变换模型根据位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
例如,获取用户在触摸屏上的滑动指令,图形变换模型根据滑动距离和预设的位置对应关系确定调整数量为30帧,则将30帧后的物体图像确定为位置调整后的物体图像,并进行显示。本发明实施例对位置对应关系不作详细限定,可以根据实际情况进行设置。
上述图形变换模型可以采用opengl-es,本发明实施例对此不作详细限定,可以根据实际情况进行设置。其中,opengl-es(OpenGL for Embedded Systems)是OpenGL三维图形API的子集,针对手机、PDA和游戏主机等嵌入式设备而设计。
上述全景图像的确定方法中,在得到目标图像集之后,可以从目标图像集中按照等差顺序选取出预设数量的物体图像;将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位;也可以将目标图像集输入图形变换模型中,得到目标全景图像。通过本发明实施例,可以对目标物体的具体部位进行展示,也可以对目标物体进行全景展示,提高了展示效果,提升了用户的使用体验。
在另一个实施例中,如图5所示,本实施例涉及的是获取目标物体的待处理图像集的一种可选的过程。在上述图2所示实施例的基础上,上述步骤201可以包括:
步骤401,在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像。
本实施例中,用户可以手持图像采集设备环绕目标物体进行物体图像采集操作,在采集之前,可以将数据格式设置为第一数据格式,然后在采集过程中就可以获取到第一数据格式的物体图像。其中,第一数据格式可以是YUV,YUV是一种颜色编码方法,Y表征明亮度,U表征色度、V表征饱和度。采用YUV的数据格式,可以获取到高帧率的数据流。
步骤402,对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。
本实施例中,为了方便图像处理,可以将第一数据格式的物体图像转换为第二数据格式。其中,第二数据格式可以是RGB,RGB是一种颜色编码方法,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。具体转换公式可以包括:R=Y+1.14V,G=Y-0.39U-0.58V,B=Y+2.03U。
上述获取目标物体的待处理图像集的步骤中,在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像;对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。通过本发明实施例,获取第一数据格式的物体图像可以得到高帧率的数据流,将第一数据格式的物体图像转换为第二数据格式的物体图像可以方便后续图像处理。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种全景图像的确定装置,包括:
第一图像集获取模块501,用于获取目标物体的第一图像集;
筛选模块502,用于对第一图像集中的物体图像进行筛选处理,得到第二图像集;
去抖动模块503,用于对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在其中一个实施例中,上述去抖动模块包括:
目标信息获得子模块,用于确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息;
去抖动子模块,用于根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在其中一个实施例中,上述目标信息获得子模块,具体用于采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中的位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度;对各初始信息进行平滑处理,得到多个目标信息。
在其中一个实施例中,上述目标信息获得子模块,具体用于分别获取第二图像集中各帧物体图像的特征点;根据每相邻两帧物体图像中对应特征点的位置坐标,得到多个初始信息。
在其中一个实施例中,上述去抖动子模块,具体用于根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;其中,变换处理包括平移处理、旋转处理中的至少一种。
在其中一个实施例中,该装置还包括:
裁剪模块,用于对目标图像集中的物体图像进行裁剪;
删除模块,用于将目标图像集中图像面积小于预设面积的物体图像删除。
在其中一个实施例中,上述筛选模块,具体用于将第一图像集中的物体图像加入到预先建立的异步处理队列中;采用异步处理队列去除重复的物体图像;以及采用异步处理队列去除模糊的物体图像,得到第二图像集。
在其中一个实施例中,上述第一图像集获取模块,具体用于在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像;对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。
在其中一个实施例中,该装置还包括:
物体图像选取模块,用于从目标图像集中按照等差顺序选取出预设数量的物体图像;
上传模块,用于将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位。
在其中一个实施例中,该装置还包括:
目标全景图像获得模块,用于将目标图像集输入到图形变换模型中,得到目标全景图像。
在其中一个实施例中,上述目标全景图像获得模块,具体用于显示目标图像集中的一帧物体图像;获取位置调整指令;采用图形变换模型根据位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
关于全景图像的确定装置的具体限定可以参见上文中对于全景图像的确定方法的限定,在此不再赘述。上述全景图像的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种全景图像的确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标物体的第一图像集;
对第一图像集中的物体图像进行筛选处理,得到第二图像集;
对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息;
根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中的位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度;
对各初始信息进行平滑处理,得到多个目标信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
分别获取第二图像集中各帧物体图像的特征点;
根据每相邻两帧物体图像中对应特征点的位置坐标,得到多个初始信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;,变换处理包括平移处理、旋转处理中的至少一种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对目标图像集中的物体图像进行裁剪;
将目标图像集中图像面积小于预设面积的物体图像删除。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将第一图像集中的物体图像加入到预先建立的异步处理队列中;
采用异步处理队列去除重复的物体图像;以及
采用异步处理队列去除模糊的物体图像,得到第二图像集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像;
对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从目标图像集中按照等差顺序选取出预设数量的物体图像;
将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将目标图像集输入到图形变换模型中,得到目标全景图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
显示目标图像集中的一帧物体图像;
获取位置调整指令;
采用图形变换模型根据位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标物体的第一图像集;
对第一图像集中的物体图像进行筛选处理,得到第二图像集;
对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
确定目标物体在第二图像集中各帧物体图像上位置变化的目标信息;
根据目标信息对第二图像集中的物体图像进行去抖动处理,得到目标图像集。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
采用特征点跟踪方式,确定目标物体在每相邻两帧物体图像中的位置变化,得到多个初始信息;初始信息包括平移距离和旋转角度;
对各初始信息进行平滑处理,得到多个目标信息。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
分别获取第二图像集中各帧物体图像的特征点;
根据每相邻两帧物体图像中对应特征点的位置坐标,得到多个初始信息。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
根据目标信息对第二图像集中的物体图像进行变换处理,得到目标图像集;,变换处理包括平移处理、旋转处理中的至少一种。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
对目标图像集中的物体图像进行裁剪;
将目标图像集中图像面积小于预设面积的物体图像删除。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
将第一图像集中的物体图像加入到预先建立的异步处理队列中;
采用异步处理队列去除重复的物体图像;以及
采用异步处理队列去除模糊的物体图像,得到第二图像集。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
在图像采集设备环绕目标物体的过程中,获取第一数据格式的物体图像;
对第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的第一图像集。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
从目标图像集中按照等差顺序选取出预设数量的物体图像;
将选取出的物体图像上传至服务器,以使服务器基于选取出的物体图像识别目标物体的具体部位。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
将目标图像集输入到图形变换模型中,得到目标全景图像。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
显示目标图像集中的一帧物体图像;
获取位置调整指令;
采用图形变换模型根据位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种全景图像的确定方法,其特征在于,所述方法包括:
获取目标物体的第一图像集;
对所述第一图像集中的物体图像进行筛选处理,得到第二图像集;
对所述第二图像集中的物体图像进行去抖动处理,得到目标图像集。
2.根据权利要求1所述的方法,其特征在于,所述对所述第二图像集中的物体图像进行去抖动处理,得到目标图像集,包括:
确定所述目标物体在所述第二图像集中各帧物体图像上位置变化的目标信息;
根据所述目标信息对所述第二图像集中的物体图像进行去抖动处理,得到所述目标图像集。
3.根据权利要求2所述的方法,其特征在于,所述确定所述目标物体在所述第二图像集中各帧物体图像上位置变化的目标信息,包括:
采用特征点跟踪方式,确定所述目标物体在每相邻两帧所述物体图像中的位置变化,得到多个初始信息;所述初始信息包括平移距离和旋转角度;
对各所述初始信息进行平滑处理,得到多个所述目标信息。
4.根据权利要求3所述的方法,其特征在于,所述采用特征点跟踪方式,确定所述目标物体在每相邻两帧所述物体图像中的位置变化,得到多个初始信息,包括:
分别获取所述第二图像集中各帧物体图像的特征点;
根据每相邻两帧所述物体图像中对应特征点的位置坐标,得到多个所述初始信息。
5.根据权利要求2所述的方法,其特征在于,所述根据所述目标信息对所述第二图像集中的物体图像进行去抖动处理,得到所述目标图像集,包括:
根据所述目标信息对所述第二图像集中的物体图像进行变换处理,得到所述目标图像集;其中,所述变换处理包括平移处理、旋转处理中的至少一种。
6.根据权利要求5所述的方法,其特征在于,在所述根据所述目标信息对所述第二图像集中的物体图像进行变换处理,得到所述目标图像集之后,还包括:
对所述目标图像集中的物体图像进行裁剪;
将所述目标图像集中图像面积小于预设面积的物体图像删除。
7.根据权利要求1所述的方法,其特征在于,所述对所述第一图像集中的物体图像进行筛选处理,得到第二图像集,包括:
将所述第一图像集中的物体图像加入到预先建立的异步处理队列中;
采用所述异步处理队列去除重复的物体图像;以及
采用所述异步处理队列去除模糊的物体图像,得到所述第二图像集。
8.根据权利要求1所述的方法,其特征在于,所述获取目标物体的第一图像集,包括:
在图像采集设备环绕所述目标物体的过程中,获取第一数据格式的物体图像;
对所述第一数据格式的物体图像进行数据格式转换,得到第二数据格式的物体图像组成的所述第一图像集。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从所述目标图像集中按照等差顺序选取出预设数量的物体图像;
将选取出的物体图像上传至服务器,以使所述服务器基于所述选取出的物体图像识别所述目标物体的具体部位。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标图像集输入到图形变换模型中,得到目标全景图像。
11.根据权利要求10所述的方法,其特征在于,所述将所述目标图像集输入到图形变换模型中,得到目标全景图像,包括:
显示所述目标图像集中的一帧物体图像;
获取位置调整指令;
采用所述图形变换模型根据所述位置调整指令和预设的位置对应关系,确定位置调整后的物体图像并显示。
12.一种全景图像的确定装置,其特征在于,所述装置包括:
第一图像集获取模块,用于获取目标物体的第一图像集;
第二图像集获得模块,用于对所述第一图像集中的物体图像进行筛选处理,得到第二图像集;
目标图像集获得模块,用于对所述第二图像集中的物体图像进行去抖动处理,得到目标图像集。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887066.XA CN110619606A (zh) | 2019-09-19 | 2019-09-19 | 全景图像的确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887066.XA CN110619606A (zh) | 2019-09-19 | 2019-09-19 | 全景图像的确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619606A true CN110619606A (zh) | 2019-12-27 |
Family
ID=68923724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910887066.XA Pending CN110619606A (zh) | 2019-09-19 | 2019-09-19 | 全景图像的确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619606A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902972A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种水面移动平台视觉***图像分析处理方法 |
CN104134200A (zh) * | 2014-06-27 | 2014-11-05 | 河海大学 | 一种基于改进加权融合的运动场景图像拼接方法 |
US9998663B1 (en) * | 2015-01-07 | 2018-06-12 | Car360 Inc. | Surround image capture and processing |
CN109040575A (zh) * | 2017-06-09 | 2018-12-18 | 株式会社理光 | 全景视频的处理方法、装置、设备、计算机可读存储介质 |
CN109040589A (zh) * | 2018-08-16 | 2018-12-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109410130A (zh) * | 2018-09-28 | 2019-03-01 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
CN109417584A (zh) * | 2016-06-17 | 2019-03-01 | 微软技术许可有限责任公司 | 基于图像文件参数来建议供删除的图像文件 |
CN109462717A (zh) * | 2018-12-12 | 2019-03-12 | 深圳市至高通信技术发展有限公司 | 电子稳像方法及终端 |
CN109934765A (zh) * | 2019-03-05 | 2019-06-25 | 北京环境特性研究所 | 高速相机全景图像拼接方法 |
-
2019
- 2019-09-19 CN CN201910887066.XA patent/CN110619606A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902972A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种水面移动平台视觉***图像分析处理方法 |
CN104134200A (zh) * | 2014-06-27 | 2014-11-05 | 河海大学 | 一种基于改进加权融合的运动场景图像拼接方法 |
US9998663B1 (en) * | 2015-01-07 | 2018-06-12 | Car360 Inc. | Surround image capture and processing |
CN109417584A (zh) * | 2016-06-17 | 2019-03-01 | 微软技术许可有限责任公司 | 基于图像文件参数来建议供删除的图像文件 |
CN109040575A (zh) * | 2017-06-09 | 2018-12-18 | 株式会社理光 | 全景视频的处理方法、装置、设备、计算机可读存储介质 |
CN109040589A (zh) * | 2018-08-16 | 2018-12-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109410130A (zh) * | 2018-09-28 | 2019-03-01 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
CN109462717A (zh) * | 2018-12-12 | 2019-03-12 | 深圳市至高通信技术发展有限公司 | 电子稳像方法及终端 |
CN109934765A (zh) * | 2019-03-05 | 2019-06-25 | 北京环境特性研究所 | 高速相机全景图像拼接方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110622497B (zh) | 具备具有不同焦距的相机的设备及实现相机的方法 | |
JP6961797B2 (ja) | プレビュー写真をぼかすための方法および装置ならびにストレージ媒体 | |
WO2018176925A1 (zh) | Hdr图像的生成方法及装置 | |
CN109474780B (zh) | 一种用于图像处理的方法和装置 | |
CN110300264B (zh) | 图像处理方法、装置、移动终端以及存储介质 | |
WO2022089657A1 (zh) | 拼接图像的色差消除方法、装置、设备和可读存储介质 | |
KR20070093995A (ko) | 움직임 벡터 연산 방법과 이 방법을 이용한 손 떨림 보정장치, 촬상 장치, 및 동영상 생성 장치 | |
CN110569927A (zh) | 移动端全景图像扫描提取的方法、终端和计算机设备 | |
CN110728644B (zh) | 图像生成方法、装置、电子设备和可读存储介质 | |
WO2014169653A1 (zh) | 一种图像合成的优化方法及装置 | |
CN109035134B (zh) | 全景图像拼接方法、装置、电子设备及存储介质 | |
CN110971841B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
US10460487B2 (en) | Automatic image synthesis method | |
US8942513B2 (en) | De-warping processing method for digital images | |
CN107564085B (zh) | 图像扭曲处理方法、装置、计算设备及计算机存储介质 | |
CN109726613B (zh) | 一种用于检测的方法和装置 | |
US20220392027A1 (en) | Method for calibrating image distortion, apparatus, electronic device and storage medium | |
CN111787230A (zh) | 图像显示方法、装置和电子设备 | |
CN109361850B (zh) | 图像处理方法、装置、终端设备及存储介质 | |
CN111724448A (zh) | 一种图像超分辨重建方法、装置和终端设备 | |
CN113284063A (zh) | 图像处理方法、图像处理装置、电子设备和可读存储介质 | |
CN115174878B (zh) | 投影画面校正方法、装置和存储介质 | |
CN113763233B (zh) | 一种图像处理方法、服务器及拍照设备 | |
CN110619606A (zh) | 全景图像的确定方法、装置、计算机设备和存储介质 | |
CN113592753B (zh) | 基于工业相机拍摄的图像的处理方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |